智能城市依赖融合传感器、物联网设备、云平台和AI驱动服务的网络物理系统，这些系统在提升城市服务的同时，由于其巨大的攻击面、异构数据流和不断演变的威胁向量，引入了复杂的网络安全挑战。开发并验证智能城市网络安全工具需要高质量的数据集来准确反映真实运行条件。然而，真实数据集往往不完整、包含隐私敏感数据、难以获取或缺乏足够的恶意活动来支持工具开发。本研究通过提出一个专门为智能城市网络安全研究设计的基于AI的合成数据生成（SDG）框架来弥补这一关键缺口。该框架利用生成式人工智能模型生成高保真度的合成网络安全数据集，这些数据集能够复制真实的设备行为、网络交互和网络攻击场景。合成数据集经过评估，以确认其对协议标准的符合性、与原始数据集的统计相似性以及在常见安全工具中的实用性。所提出的合成数据生成框架和评估指标有望通过使研究人员能够更有效地对威胁进行建模并更全面地评估防御技术，从而推进智能城市网络安全，更好地保护关键智能城市基础设施。

隐写术是一种将秘密信息隐藏在公开载体中的技术。生成式隐写术利用生成模型（如GAN）生成载体并嵌入秘密，但面临容量、效率和安全性的三难问题：传统方法往往牺牲其中一方。本文提出ANStega（Adversarial Network-based Steganography），通过设计一个对抗性训练框架，同时优化三个目标。该方法采用编码器-解码器架构，编码器将秘密信息映射为生成载体的隐空间扰动，解码器从扰动中恢复秘密；判别器确保载体与自然数据分布不可区分。实验表明，ANStega在保持高安全性的同时，实现了接近理论极限的嵌入容量和实时编码/解码效率。作者在多个数据集上验证了该方法在抵抗隐写分析方面的鲁棒性。论文主要贡献是首次系统性解决了生成式隐写术的三难问题，为实用化隐写系统提供了新范式。